公众号【调皮连续波】，
续接上文：
【正文】
OS-CFAR算法模型：
参考单元根据大小对2L个x值进行排序，排序后的序列如下：
排序后，选择第 m 个样本 作为参考单元 2L 个数内的杂波背景。阈值 是在 。
在一般情况下，m 可以取参考单元2L的3/4，公式为：
当有一个或多个干扰目标进入2L个参考单元时，只会改变OS-CFAR探测器的排序结果，但对阈值的影响很小。在瑞利杂波条件下，经过平方律检测器后， 可以得到参考单元2L和m之间的关系为：
其中， 表示从2L参考单元中选择m组合数，
（2）MTD相干累积处理
在无人系统中，除了可能影响雷达误报率增加的杂波和噪声外，雷达还可能受到各种杂波的影响，例如，地面上各种静止的非目标反射器引起的地面杂波，由于它们大多是静止反射器，多普勒频率接近于零。
对于运动目标，运动速度会引起一定的多普勒频移。对于多个脉冲回波，移动目标的回波相位在多个脉冲之间是相干的，则可以利用多个脉冲相干积累以获得最大的能量，而地面回波不具备上述特性(非相干)，因此无法有效积累。
利用目标回波信号频谱与地面杂波频谱之差，采用相干累积提高杂波背景中运动目标的检测性能，前者具有一定的多普勒频率，而后者的多普勒频率为零，两者可以在频谱中彼此分离。
对于非相干累加，由于仅利用目标的回波特性，无法从频域上有效区分目标和地杂波。在图7.6 所示的无人车辆系统中，雷达的动态目标检测能力要求很高，是在大量固定反射器引起的地面杂波干扰的背景下进行的。
图7.6 无人车运动场景
相干积累过程可以有效提高杂波背景下雷达目标检测能力，常用的相干积累处理方法包括移动目标显示 （MTI） 和动目标检测 （MTD）。
MTI处理又称多脉冲抵消处理，主要利用多个脉冲重复周期的数据进行杂波抑制处理。
MTD处理利用多普勒滤波器组对运动目标进行同相累积处理，同时利用运动目标的多普勒速度与地面杂波的多普勒速度之差抑制地面杂波。MTD处理可以获得更高的信噪比和信噪比改善因子，因此这里主要讨论MTD处理。
滤波器组是MTD核心处理，决定了MTD处理性能。根据实现方法的不同，MTD滤波器组可分为FFT法和FIR法。FFT方法实现简单，执行效率较高，但设计灵活性相对较差。为了抑制高旁瓣电平，通常需要窗口处理。FIR方法设计灵活性高，可根据设计要求选择具有特殊频率特性的滤波器组。
雷达的主波束照射地面区域后，从地面反射的回波信号称为地面杂波。地面杂波的强弱与发射机功率、天线主波束增益、地面物体反射能力、天线高度等因素有关，强度可能比雷达接收器的噪声高几十dB。
通常，来自地面杂波的回波信号是一个随机过程。其功率谱可以近似为：
其中， G0是决定杂波频谱强度的常数，f是杂波功率谱的标准偏差，它决定了杂波谱的宽度。
杂波频谱近似于高斯频谱，分布在零频率周围。上式中的频率表示模拟频率，即信号的实际频率。通常，雷达信号处理侧重于数字信号，MTD处理在脉冲之间进行。为方便讨论，频率由雷达的脉冲重复频率（PRF）归一化。
地面杂波的频谱位于零频率附近，运动目标的频域分布在其对应的多普勒频率附近。因此，两者在频率分布上的差异可以有效地区分运动目标和地面杂波。为此，在工程中经常使用一组频率相邻、重叠的窄带滤波器组来实现运动目标的分辨率，这被称为MTD处理。
MTD滤波器组的实现分为FFT方法和FIR方法。对于FFT方法，它使用由FFT变换形成的多个频率通道，FIR方法是设计具有指定中心频率的多个带通滤波器。实际上，FFT变换过程中形成的多个频率通道也可以视为一组FIR滤波器组。MTD实现结构如图7.7所示（假设MTD过程具有M数滤波器）。
图7.7 MTD结构
对于给定的MTD滤波器组，通常用于检查其性能的指标包括信噪比增益（改进因子）、信噪比增益等。实际上，当给出杂波谱模型和MTD参数时，就可以计算出MTD的性能指标。
假设 MTD 滤波器组的数据输入表示为：
表示信号， 表示早杂波， 为了检测MTD的处理性能，通常假设该信号是连续波正弦信号，可以表示为：
其中， fd（归一化频率）是信号的中心频率。此外，假设杂波的功率谱如上述公式所示，并假噪声是复高斯白噪声。
假设前m个MTD滤波器（也称为信道）系数为Hm（L）（其中L=0，1，…，1−N；N是滤波器的阶数），则前m个输出信道可以表示为：
基于上述假设，可以得到第m个MTD通道的改善因子为：
信噪比可以表示为：
在实际雷达系统中，信道数和MTD滤波系数等参数是预先确定的，但目标的多普勒频率（运动速度）是未知的。从公式可以看出，对于不同多普勒频率的目标，对应的MTD处理性能是不同的。因此，有必要检测MTD处理在整个脉冲重复频率下的性能。
使用以下方法来定义MTD滤波器组的频率响应曲线：
(1)依次生成具有不同归一化多普勒频率的目标；
(2)确定目标在N个MTD通道中输出最大能量的通道;
(3)计算信道输出的信号功率、杂波和噪声，计算增益，从而得到与某个多普勒频率对应的性能参数;
(4)绘制所有多普勒频率的性能参数，得到MTD的多普勒频率响应曲线;
(5)对所有频率的每个性能参数求平均值，以获得参数的平均值（即信噪比增益）。
选择具有最高信号输出能量的信道号是因为通常在MTD处理之后，将使用频率信道的恒虚警处理，并且由于MTD滤波器彼此重叠，目标的多普勒频率总是落在多个频率上。另一方面，地面杂波总是接近零频率,因此最大的输出信号能量被选择用于具有最高信噪比的恒虚警处理。
8、毫米波雷达数据处理技术
毫米波雷达数据处理和雷达信号处理是现代雷达系统的重要组成部分。信号处理用于检测目标，使用某种方法获取目标的各种有用信息，例如目标的距离，速度、角度、高度。数据处理可以进一步处理目标的点和轨迹，并预测目标未来的位置，形成可靠的目标轨迹，从而实现对目标的实时跟踪，以及目标识别。
8.1 毫米波雷达点云数据处理
毫米波雷达获得的点在距离和方位角上都是多值的。因此，雷达探测到后，同一目标在距离和方位角上通常有多个原始点数据。为了实现雷达的多批次、多目标定位检测，保证航迹数据处理的准确性和可靠性，需要进行点迹凝聚过程。由于得到的目标原始测量值不是唯一的，因此需要在点迹凝聚过程之前对距离和方位角进行合并和分辨率处理，使一个目标对应于s个测量值。
图8.1 （a）雷达原始数据（b）合并和解析处理
对原始点进行合并和解析处理后，对所有方向的数据进行凝聚，以获得唯一的距离值。此后，对点轨迹数据进行方位凝凝聚处理，仅得到一个方向估计值。最后，通过插值公式计算目标唯一估计值，如图7.9所示。假设方位角唯一值是在 i 和 i + 1 点之间获得的，则插值公式如下：
图8.2 目标点估计
8.2 毫米波雷达航迹数据处理
毫米波雷达航迹数据处理首先从雷达每时每刻探测到的点中寻找目标的运动航迹，从而跟踪或预测目标的运动。所述毫米波雷达跟踪处理包括以下内容：雷达跟踪的启动、雷达跟踪数据关联和雷达跟踪滤波。
毫米波雷达跟踪的启动是从大量点建立目标运动的航迹，毫米波雷达航迹数据相关性从返回信号候选信号的倍数中确定最有可能成为目标点的返回信号，毫米波雷达跟踪滤波器根据现有航迹估计下一个目标点的位置。
8.2.1 跟踪启动
毫米波雷达航迹启动是目标进入雷达监控范围（被探测）建立航迹的过程。航迹启动是雷达跟踪处理中的一个重要问题。如果航迹启动不正确，则无法实现正确的航迹。航迹启动的主要任务是在安静或嘈杂的环境中建立目标航迹。在实际应用中，环境比较复杂，可能的航迹数量太大，最常用的方法包括直观法和逻辑法，以保证航迹启动的速度和效率。
其他航迹启动算法由于其高复杂性或先验知识，很少用于实际工程。
（1）直观法
直观的法采用最大速度和最小速度建立波门，简单易行，是航迹启动最常用的算法。在相邻的扫描周期中，可以在测量之间添加最大的目标加速度约束。假设 连续扫描 N 次获得的，如果在连续扫描的 N 次内满足下面列出的两个条件的次数超过 M 次，则可以认为跟踪启动成功。
这两个条件是：
a. 测量或估计Vmin和Vmax之间的速度值，即目标落入该速度约束形成的环形栅内，如图7.10所示。这种确定是基于特别适合于测量的第一次扫描，或与后续过程中获得的所有航迹不相关的测量。
图8.3 环形门
b. 分析环形门中测得的加速度，其加速度应小于最大可能加速度， 如果有多个返回信号，则选择加速度最小的返回信号作为有效测量。
(2)逻辑法
逻辑法是一种航迹启动方法，可以应用于整个航迹处理。逻辑法和直观法之间存在一些相似之处，如果正确检测的次数在第 N 次扫描周期内不少于一定数量的测量，则认为跟踪启动成功。如果在窗口时间段内满足阈值的检测数不足，则窗口将向后移动。
两种方法的区别在于波门，直观法使用速度和加速度作为航迹起点的门限，逻辑法通过预测目标的未来位置并设置相关的门限来确定航迹的存在。
图8.4 逻辑法
8.2.2 跟踪数据关联
航迹数据关联问题是雷达跟踪处理的基础和核心问题，特别是当目标运动航迹相互交叉，多个目标密集分布，雷达本身测量误差大，探测概率小于1，非线性系统存在较强的杂波，数据关联变得更加困难。
在杂乱环境下进行数据关联，由于返回的信号可能来自目标、杂波或误报，由于杂波和测量噪声，可能会对返回的信号点与目标点之间的相关性产生不利影响。数据关联是基于返回信号的状态和目标状态，以找到目标下一个最可能位置的返回信号。
（1）最近邻标准滤波器
最近邻标准滤波 （NNSF） 是一种简单有效的算法，该算法使用先验的统计特征来估计相关性能。首先，设置跟踪门（相关门），跟踪门用于测量落在跟踪门中且最接近航迹预测点位置的测量将被选择为新的跟踪点，航迹点实时更新。假设 ，其中， 是时间 k 处的轨迹预测点，则跟踪门设置如下：
使用最近邻标准滤波器的问题在于，只有最接近预测值的测量值才会更新到航迹中，当存在更多的杂波或噪声时，由杂波或噪声引起的航迹数据也会更新，从而导致跟踪错误或丢失。因此，当雷达工作在高信噪比、目标少的环境中时，最近邻标准滤波器更适用。
（2）概率最近邻法
概率最近邻法（PNNF）将概率论的思想应用于最近邻相关算法，并将最近邻测量视为目标的真实测量。然而，该算法认为最近邻测量可能来自杂波，并且波门中没有测量点，因此继续调整状态误差协方差。
三个条件说明如下：（1）没有测量值落入栅极（M0）;（2）相关门中的最近邻来自目标（MT）;（3）最近邻是从误报中得出的。
8.2.3 跟踪跟踪
跟踪滤波器利用有效观测时间中的观测值，通过选择合适的估计方法得到线性离散时间系统的状态估计值。随着观测值的连续采集，连续获取系统的状态估计值，并持续监测系统状态，得到目标的连续航迹。用于雷达数据处理的常见跟踪滤波器包括最小二乘滤波器、卡尔曼滤波器和
（1）最小二乘滤波器
雷达数据处理可以通过使用观测数据和集成某些规则的功能进行过滤和预测。由于观测数据中存在误差，因此通过近似函数传递所有已知点是不合理的，因为它等效于保留所有数据误差。
最小二乘滤波器的原理基于以下过程：
从给定的数据集中，选择近似函数形式并定义函数类 然后函数给出为：
这种近似函数方法称为数据拟合最小二乘法，函数
（2）卡尔曼滤波
在雷达数据处理过程中，利用在有限观测时间范围内获得的观测值 ，，，用于估计线性离散时间动态系统 s 的状态。如果系统模型假定满足状态方程，则：
在上述 中， 表示 k 个时间段内 n 维向量的系统状态; 是 k 个时间段内的 状态转移矩阵； 是 p 阶输入矩阵； 是 n × p 阶输入矩阵； 是满足高斯白噪声分布的 q 维随机向量；和 是 n × q 维实值矩阵，其中：
观测方程也是一个线性函数，即：
在上述公式中， 是时间 k 处的 m 维观测向量； 是 m × n 阶观察矩阵； 是满足高斯白噪声分布的 m 维测量噪声，给出如下：
和 是独立的，因此满足：
根据最小均方误差、系统状态预测方程、滤波器状态方程、滤波器增益方程和残差协方差矩阵通常称为卡尔曼滤波器方程。卡尔曼滤波方程的推导可以基于线性模型和高斯分布的假设，应用最优估计准则可以得到最优估计准则。也可以采用线性均方估计，而无需对过程的分布函数进行任何假设，如图7.12是卡尔曼滤波器用于无人船。
图8.5 卡尔曼滤波用于无人船跟踪
（3） 滤波器
当目标模型使用恒定速度模型时，如下所示：
滤波器增益矩阵和常数矩阵可以表示为 ，基于给定的过程噪声和观测噪声，可以使用卡尔曼滤波方程得到已知参数值 和
9、毫米波雷达成像技术
目前的汽车毫米波雷达产品主要是24或77GHz窄带车载雷达，只能获取目标距离、速度、方位角信息，而不能准确识别目标，例如，它无法准确识别目标是汽车还是路标。高距离分辨率依赖于超宽带信号的使用，提高速度分辨率需要通过长期脉冲累积来实现，提高角分辨率需要通过雷达多通道收发阵列天线或角度超分辨率处理技术来实现。
多通道、超宽带、高分辨率、高精度雷达采用79GHz超宽带频率毫米波进行目标信息采集，实现厘米级分辨率范围。79 GHz高分辨率和高精度毫米波雷达采用三维成像技术，对车辆周围的高分辨率目标信息进行处理，进行成像。因此，获得车辆目标环境的精确位置和速度的点云信息和视觉图像信息。同时，三维图像可以进一步与激光雷达的点云数据和相机的图像信息进行整合。因此，多通道、超宽带、高分辨率、高精度的三维成像毫米波雷达可以大大提高智能汽车的态势感知有效性和稳定性。
在毫米波雷达的实时成像技术中，主要采用的技术包括机械扫描技术、合成孔径雷达（SAR）技术、逆合成孔径雷达（ISAR）技术、数字波束成形（DBF）技术、多通道多输入多输出（MIMO）技术、正交频分复用（OFDM）技术等。以下部分简要介绍了合成孔径雷达 （SAR） 技术、数字波束成形 （DBF） 技术和多通道多输入多输出 （MIMO） 技术。
9.1 合成孔径雷达（SAR）技术
合成孔径雷达利用小型天线沿长线阵列的轨迹匀速移动并辐射相干信号，对不同位置接收到的返回信号进行相干处理，以获得更高分辨率的成像。
由于雷达的运动，物体的不同散射点具有不同的径向速度分量，可以通过长时间脉冲积累来提高速度分辨率，从而提高雷达的整体分辨率。合成孔径雷达要求物体相对于雷达静止，并且雷达以均匀的速度移动。因此，合成孔径雷达主要用于机载或星载雷达成像。2004年，French R. Giret等人实现了无人机的三维模型，该模型使用线性接收天线阵列结合句法孔径雷达（SAR）技术和线性调频（LFM）脉冲波形。
2012年，德国乌尔姆大学的Markus Andres等人实现了利用机械扫描天线阵列探测散射中心的三维成像雷达汽车，如图2.30所示。他们结合了合成孔径雷达（SAR）技术和数字波束成形（DBF）技术，用于不同汽车的三维成像。2 GHz带宽雷达可以使用10°角分辨率对车辆进行2米距离成像。
图9.1 机载SAR技术
图9.2 采用SAR技术三维成像
9.2 多通道收发天线波束成形（DBF）技术
多通道、超宽带、高分辨率、高精度成像雷达采用高频、大带宽、调制难度高的雷达。因此，需要稳定的高速RF电路和信号处理电路。同时，由于高分辨率和高精度成像雷达需要实时处理多通道采样率信号，从而产生大量的点云数据和目标信息。因此，雷达信号处理算法是目前毫米波雷达发展中最流行、最具挑战性的研究领域之一。
近年来，信号数字化和快速数字信号处理技术的进步降低了成本，使数字波束成形（DBF）成为越来越重要的雷达成像技术。
数字波束成形（DBF）技术是一种提高雷达角度分辨率的方法，使用天线多通道收发器阵列的电子束扫描技术由于不需要机械波束扫描而逐渐成为主流。德国卡尔斯鲁厄大学引进了三维物体检测和成像雷达系统，提出了基于二维数字波束成形（DBF）的三维成像原理。
三维成像雷达采用调频连续波（FMCW）距离测距和数字输入波束成形（DBF）多输入多输出（MIMO）技术相结合的方式实现，发射和接收天线阵列正交排列，通过发射机和接收端的数字波束形成，得到二维方位角和仰角。通过数字信号处理，数字波束成形（DBF）提供了同时使用多个通道收集雷达回波信号的可能性，同时关注了不同的角度。
图9.3 德国卡尔斯鲁厄理工学院成像雷达
目前，79 GHz超宽带毫米波成像技术仍处于研究探索阶段，更可行的技术方案是充分利用79GHz毫米波雷达中超宽带宽和与高速采样模数转换器集成的内部RF芯片，通过使用超宽带脉冲技术的高速压缩，实现高范围和高速分辨率。
通过分析79 GHz信号合成宽带测距方法，利用毫米波带宽外推（BWE）关键技术，得到了适用于路面目标毫米波汽车雷达的全极信号模型。模型参数在子波段中进行调整。具有延迟和相位差的子带是相干的。对相干子带信号进行插值，采用标准脉冲压缩方法得到超分辨率距离图像，从而实现高分辨率、高精度厘米级测距。该过程如图所示。
图9.4 高距离分辨率处理流程
9.3 多通道多输入多输出 （MIMO） 技术
多通道多输入多输出（MIMO）技术通过在发射端和接收端使用多个天线来提高雷达角分辨率，从而实现高分辨率成像。
2010年，康涅狄格大学提出了一种基于多通道多输入多输出（MIMO）正交频分复用（基于OFDM）的三维雷达的概念。发射信号正交频分复用（OFDM）信号具有多个发射器仅在其自己独特的子载波上辐射，同时保留整个带宽和范围分辨率的特点。天线排列成“T”形，在接收机处采用波束成形技术和新的雷达处理技术，通过同步传输估计目标的距离、方位角和仰角信息。由于正交频分复用（OFDM）信号是正交的，频谱分频策略可以从多个天线同时发射，并且向MIMO结构的扩展可以计算目标的距离，多普勒也可以在方位角。到达方向 （DOA） 是在角度方向和仰角方向上获得的。通过将正交频分复用（OFDM）信号模型与到达方向（DOA）算法和虚拟天线几何形状相结合，实现了三维成像雷达（图）
图9.5 图道路场景毫米波雷达成像
10、毫米波雷达的应用
10.1 无人机
毫米波雷达是一种雷达传感器，通过发射和接收微波来感知物体。利用发射信号和接收信号的频率差，可以通过公式计算物体运动的存在、速度、方向、距离和角度。它具有穿透雾、烟、尘的能力，体积小、集成度高、传感灵敏。因此，它可以应用于各种天气类型和时间，并满足无人机平台，直升机和小型飞艇的要求。毫米波雷达在无人机上的应用主要包括毫米波雷达高度计和避障毫米波雷达。
图10.2 无人机1+2雷达系统框架
10.1.1毫米波雷达高度计
无人机测高仪分为绝对高度测量高度计和相对高度测量高度计两种。绝对高度测量仪包括GPS和气压计，其中获得相对于海平面的绝对高度。相对测量是测量无人机平台与地平面的相对高度。
一般用于低空无人机平台。可根据地形自动设置高度，调整高度，实现仿飞。相对高度测量高度计主要包括高超声高度计、激光和毫米波雷达高度计。毫米波雷达高度计发射毫米波进行距离测距，可以穿透雾、烟和灰尘。它具有体积小、集成度高、传感能力灵敏、不受照明影响，可实现全天候、全天应用）。
图10.2 毫米波雷达高度计
毫米波雷达高度计的典型应用是在植保无人机上。通过高度计的安装，植保无人机可以在作物上方实现约1-2米的固定飞行高度，并且不受雾气的影响。同时，通过均匀高效的喷施，实现了更高的精度（高度误差小于±10CM），满足了农药喷洒的距离要求。
10.1.2 毫米波避障雷达
目前，有基于视频图像、超声波雷达或激光雷达的自动避障系统。但是，这些传感器存在一些缺陷。例如，激光雷达传感器的成本太高，超声波传感器的工作距离有限，容易受到干扰。
视觉图像传感器在光线不足下的检测性能大大降低，对图像处理器的性能要求很高。毫米波雷达的探测距离是超声波的5倍，探测距离可达100米。毫米波雷达的小尺寸、高分辨率和低功耗完全满足了无人机对尺寸和功耗的苛刻要求。同时，它具有很强的抗干扰能力，受天气影响小。它最多可以实现32个目标，非常适合作为避障传感器。
经过实际测试，配备毫米波避障雷达的无人机可以在包含高压线、建筑物和道路的环境中飞行。毫米波避障雷达系统可以很好地探测毫米级传输电缆，从而解决无人机的安全问题。
图10.3 无人机毫米波避障雷达
10.2 无人驾驶汽车
毫米波汽车雷达传感器可以分布在车身周围，如车辆前后、车辆侧面和车辆的四个角。不同安装部件的毫米波雷达功能不同，主要分为三类：自适应巡航控制（ACC）、前后防撞系统（F/RCW）、盲点检测系统（BSD）和并联辅助系统（LAC）。根据安装部件的不同，可进一步分为泊车辅助系统（PAS）、交叉交通辅助系统（RCTA）和横向防撞系统（SCD）等。
10.2.1 自适应巡航
自适应巡航系统一般安装在车辆前方，工作距离长，属于探测范围在300m以上的长距离毫米波雷达。但雷达观察场较窄，主要调整车辆相对于车辆正前方物体的距离和速度（一般指同一车道内的前方车辆），从而保证车辆的行车安全。必要时，系统可进行紧急制动，防止碰撞，实现安全自动巡航。
图10.4 自适应巡航控制系统
10.2.2 汽车防撞系统
防撞系统的工作距离一般在100米以内，属于中程毫米波雷达。该系统对定位和监控目的具有极高的检测精度要求。此外，系统还对目标分辨率和数据更新率提出了严格的要求，以确保系统能够快速准确地获取车身周围的物体信息，从而为驾驶员提供更准确、更高效的决策信息，将碰撞几率降到最低。因此，防撞系统是当今背景下确保无人驾驶车辆安全行驶的关键因素。防撞雷达一般安装在车身前后和车身两侧，以保证车辆和车内乘客的安全。
图10.5 汽车防撞雷达
10.2.3 盲点检测系统及并联辅助系统
盲点检测系统和并联辅助系统一般安装在车身四个角的盲点区域，属于短程毫米波车载雷达。并联辅助系统的工作距离一般在30 m左右，而盲点检测系统在10 m以内的工作距离更短。除了工作距离不同外，两个系统的安装位置和功能基本相同，目的是为驾驶员提供盲区信息，便于安全驾驶。
图10.6 汽车盲点检测雷达
10.3 无人船
据统计，涉及船只、船舶或船只的碰撞中，约有89-96%归因于人为原因，包括明显和隐性原因。基于无人船使用的毫米波雷达的防撞系统可能是解决这个问题的好解决方案。在早期，船舶、桥梁或海岸之间的碰撞经常发生。为了解决这个问题，实施了在岸上使用轮胎以防止碰撞。尽管许多船舶仍在使用这种方法，但结果仍然不尽如人意。
图10.7 无人船雷达
超声波在水中的传播速度为1400 m/s。在340°C时，在空气中的传播速度为15米/秒。 温度越高，传播速度越高。在正常情况下，固体中的传播速度最快，其次是液体，然后是气体。关于同时与水面接触并实现前物体反射的情况，距离经常被错误地报告。当距离太短时，很少使用超声波溶液。
在使用激光雷达的过程中，无人船的环境往往很复杂。激光可以穿透水面，但获得的数据不一定是实际的目标距离。在海洋无人系统中，还没有人使用过这种解决方案。
采用1+N数毫米波雷达，即使用100个远程毫米波雷达和N个中程毫米波雷达，可选择450-360 m之间的长距离，实现前向防撞。根据舰船的覆盖面积和尺寸的不同，可根据实际情况选择N个中程毫米波雷达，实现2°无死角保护。
图10.8 无人船雷达系统
【本期结束】